圖對比學習驅動的推薦系統：擴散增強與多模態融合

莫先，寧夏大學副教授，碩士生導師，專註於圖神經網絡、擴散模型和大語言模型在圖學習領域的研究，該研究能用於鏈路預測、節點分類、推薦系統、社團檢測、藥物發現等具體應用，研究領域涉及人工智能、大數據等。近 5 年來， 其代表性成果包括中科院 SCI Top 論文 10 余篇；主持國家自然科學基金青年科學基金 1 項和寧夏自然科學基金（優秀青年）項目1項。

目錄

第1章緒論

1.1引言

1.2研究背景及意義

1.3國內外研究現狀

1.3.1傳統推薦方法

1.3.2基於深度學習的推薦方法

1.3.3基於圖神經網絡的推薦方法

1.3.4基於圖對比學習的推薦方法

1.3.5基於擴散模型的推薦方法

1.3.6基於多模態的推薦方法

1.4本書的主要工作

1.5本章小結

第2章相關理論與技術

2.1引言

2.2推薦系統概述

2.2.1推薦系統簡介

2.2.2推薦場景介紹

2.2.3推薦系統的評價指標

2.3圖神經網絡概述

2.3.1圖的概念

2.3.2二部圖

2.3.3圖神經網絡簡介

2.3.4圖卷積神經網絡

2.3.5圖註意力網絡

2.4圖對比學習概述

2.4.1圖對比學習簡介

2.4.2圖對比學習框架

2.4.3數據增強

2.4.4基於知識圖譜數據增強

2.5主成分分析

2.6擴散模型

2.7多模態融合

2.8本章小結

第3章時序異構圖註意力網絡推薦方法

3.1引言

3.2問題定義

3.3THGAN模型

3.3.1異構圖註意力網絡

3.3.2混合跳數圖註意力模塊

3.3.3可解釋性分析

3.3.4時間復雜度分析

3.4實驗

3.4.1數據集與基準模型

3.4.2實驗設置

3.4.3下一次交互預測

3.4.4未來物品推薦

3.4.5消融實驗

3.4.6超參分析

3.4.7效率分析

3.5本章小結

第4章關系感知異構圖註意力網絡推薦方法

4.1引言

4.2問題定義

4.3RHGAN模型

4.3.1高階鄰居生成算法

4.3.2關系感知異構圖註意力網絡

4.3.3可解釋性分析

4.3.4時間復雜度分析

4.4實驗

4.4.1數據集與基準模型

4.4.2參數設置

4.4.3未來物品推薦

4.4.4下一次交互預測

4.4.5消融實驗

4.4.6HoCN的作用驗證

4.4.7超參分析

4.4.8效率分析

4.5本章小結

第5章註意力感知圖對比學習推薦方法

5.1引言

5.2問題定義

5.3AteGCL模型

5.3.1註意力感知圖學習模塊

5.3.2對比學習模塊

5.3.3時間復雜度分析

5.3.4可解釋性分析

5.3.5模型優化

5.4實驗

5.4.1實驗設置

5.4.2推薦性能

5.4.3消融實驗

5.4.4效率分析

5.4.5超參分析

5.5本章小結

第6章註意力感知可解釋圖對比學習推薦方法

6.1引言

6.2問題定義

6.3IntGCL模型

6.3.1註意力感知圖學習

6.3.2對比學習

6.3.3模型訓練

6.3.4可解釋性分析

6.3.5時間復雜度分析

6.4實驗

6.4.1實驗設置

6.4.2推薦性能

6.4.3消融實驗

6.4.4可擴展性分析

6.4.5超參數分析

6.5本章小結

第7章引導擴散增強的序列推薦方法

7.1引言

7.2問題定義

7.3GDiffuASR模型

7.3.1用戶多維度偏好學習

7.3.2序列推薦的數據增強

7.4實驗

7.4.1實驗設置

7.4.2整體性能

7.4.3消融實驗

7.4.4降噪性能有效性

7.4.5超參數分析

7.4.6效率分析

7.5本章小結

第8章潛在空間條件引導擴散模型推薦方法

8.1引言

8.2問題定義

8.2.1社交關系協同圖

8.2.2社交推薦系統

8.2.3用戶間共同交互物品引導圖

8.3CGDLS模型

8.3.1社交關系編碼器

8.3.2用戶物品交互編碼器

8.3.3基於條件引導擴散模型的社交關系圖去噪

8.4實驗

8.4.1數據集與基準模型

8.4.2整體性能比較

8.4.3消融研究

8.4.4效率分析

8.5本章小結

第9章帶語義轉換的擴散增強多行為推薦方法

9.1引言

9.2問題定義

9.3STDE模型

9.3.1多行為學習

9.3.2帶語義轉換的對比學習

9.3.3模型訓練

9.3.4時間復雜度分析

9.4實驗

9.4.1實驗數據與基準模型

9.4.2推薦性能

9.4.3消融實驗

9.4.4超參數分析

9.4.5健壯性分析

9.4.6案例分析

9.5本章小結

第10章擴散增強異構圖對比學習多行為推薦方法

10.1引言

10.2問題定義

10.3HGCLD模型

10.3.1融合分層擴散增強的圖對比學習

10.3.2多行為圖學習

10.3.3模型訓練

10.3.4時間復雜度分析

10.4實驗

10.4.1實驗設置

10.4.2推薦性能

10.4.3消融實驗

10.4.4分層擴散的有效性

10.4.5超參數分析

10.4.6健壯性分析

10.4.7可擴展性分析

10.4.8案例分析

10.5本章小結

第11章基於語義轉移擴散增強的大語言模型用戶側知識感知推薦方法

11.1引言

11.2問題定義

11.3STLLMSRec模型

11.3.1基於LLM的用戶側知識圖譜構建

11.3.2知識感知圖擴散模型

11.3.3模型優化

11.3.4時間復雜度分析

11.4實驗

11.4.1實驗設置

11.4.2推薦性能

11.4.3消融實驗

11.4.4稀疏性分析

11.4.5健壯性分析

11.4.6可擴展性分析

11.4.7案例分析

11.5本章小結

第12章面向多模態推薦的模態感知擴散增強與多級負采樣方法

12.1引言

12.2問題定義

12.3MDMNS模型

12.3.1分層圖增強擴散

12.3.2多模態圖聚合

12.3.3模態對比增強

12.3.4多任務模型訓練

12.3.5模型復雜度分析

12.4實驗

12.4.1數據集與基準模型

12.4.2整體性能對比

12.4.3消融實驗

12.4.4數據稀疏性分析

12.4.5健壯性分析

12.4.6可擴展性分析

12.4.7可視化分析

12.5本章小結

第13章知識感知擴散增強圖對比學習的多媒體推薦方法

13.1引言

13.2問題定義

13.2.1知識圖譜

13.2.2多媒體推薦

13.3KDiffE模型

13.3.1基於註意力感知的用戶物品圖學習

13.3.2帶引導擴散增強的對比學習

13.3.3模型訓練

13.3.4可解釋性分析

13.4實驗

13.4.1實驗設置

13.4.2推薦性能

13.4.3消融實驗

13.4.4去噪有效性分析

13.4.5超參數分析

13.4.6可擴展性分析

13.5本章小結

第14章擴散增強多模態層次圖對比學習的多媒體推薦方法

14.1引言

14.2問題定義

14.3MHDiff模型

14.3.1模態感知圖擴散模型

14.3.2多模態圖學習

14.3.3時間復雜度分析

14.3.4模型優化

14.4實驗

14.4.1實驗設置

14.4.2推薦性能

14.4.3消融實驗

14.4.4超參數分析

14.4.5可擴展性分析

14.5本章小結

第15章總結

15.1工作總結

15.2未來發展方向

參考文獻